Trabalhos com GA e SVM

Este subcapítulo, foca-se principalmente em estudos onde foram utilizados GA’s, SVM’s ou um sistema que usa os dois algoritmos. Em [25] usaram o SVM para prever a direção semanal do movimento do índice NIKKEI 225. Para além disso, este método foi comparado com um Linear Discriminant Analysis (LDA), um Quadratic Discriminant Analysis (QDA), uma Elman Backpropagation Neural Networks (EBNN) e com um modelo que combina o SVM com os outros métodos de classificação referidos. Os dados utilizados são do período de 1º de janeiro de 1990 a 31 de dezembro de 2002. Os dados foram divididos em duas partes, sendo que a primeira parte é composta por 640 observações e é usada para treinar os modelos, enquanto a segunda parte é utilizada para a fase de testes, contudo tem apenas 36 observações, tornando os resultados obtidos pouco significativos, pelo facto de o período de testes ser muito pequeno. Por fim, os autores concluem que o modelo combinado é o que tem maior taxa de acerto, seguido do SVM que supera os outros métodos de classificação, obtendo respetivamente 75% e 73%.

No estudo [26] usaram um Multi-Objective Genetic Algorithm (MOGA) para prever a tendência futura do preço de ativos. O modelo investigado foi usado para determinar possíveis condições de compra, venda ou de manutenção nas bolsas de valores, com o objetivo de obter retornos altos com o risco menor risco possível. Os dados de entrada do modelo, compostos pelo índice de volatilidade (VIX) e outros indicadores técnicos, são otimizados para encontrar a melhor estratégia de investimento. O modelo proposto foi testado em vários mercados usando dados dos principais índices de ações, como: NASDAQ, S&P 500, FTSE 100, DAX 30 e também o NIKKEI 225. Os resultados apresentados, relativos

ao período entre 2006 e 2014, mostram que superaram claramente as estratégias de Buy&Hold e Sell&Hold e obtêm um retorno anual 10% maior nos índices NASDAQ e DAX.

Em [27] utilizaram um SVM, mas em vez de recorrer a indicadores técnicos usam alguns elementos financeiros de empresas para classificar empresas. Os autores usaram um PCA para evitar o uso direto de índices financeiros complicados e altamente dimensionais. Com o PCA baixam a dimensão dos dados, melhorando assim a precisão e a eficiência do treino, além de preservar os recursos dos dados iniciais. Com o objetivo de separar as stocks de alto retorno das stocks de baixo retorno, este artigo seleciona sete índices financeiros dos relatórios anuais de 2009 e 2010 de empresas da A-share index of Shanghai Stock Exchange. Os resultados obtidos mostram que norm-standardization PCA-SVM conseguiu uma accuracy de 75.4464% no treino e 61.7925% em teste. Para uma análise mais aprofundada, o estudo apresenta uma comparação entre o retorno obtido pelo modelo proposto e o A-share index of Shanghai Stock Exchange, em que é possível verificar que o modelo PCA-SVM possui maior cumulative return que A-share index of Shanghai Stock Exchange.

No estudo [28], utiliza um algoritmo genético para gerir um portfolio de ativos financeiros, um problema bastante estudado no mundo financeiro. O algoritmo genético utiliza um conjunto de indicadores técnicos, para definir quando devem ser feitas transações. Cada indicador técnico tem um conjunto de regras de investimento que classificam cada indicar em 4 níveis diferentes. As regras de investimento dos indicadores são combinadas através de uma estratégia de pesos bastante interessante, que serviu de inspiração para uma das estratégias implementadas no sistema proposto nesta tese. De modo a avaliar a estratégia implementada, foram realizados teste no período entre 2003 e 2009, passando pelo grande crash financeiro de 2008. A estratégia foi comparada com diversos métodos de investimento como a estratégia de Buy&Hold e uma estratégia puramente aleatória. Os resultados mostraram que o algoritmo genético superou tanto a estratégia de Buy&Hold como a estratégia aleatória, sendo que a melhor iteração do algoritmo genético chegou a obter, na métrica de avaliação Return of investment (ROI), 62.95%.

Percebendo a importância do processo de seleção de features na accuracy da classificação dos modelos SVM, têm sido realizados vários estudos nesta área, sendo que parte deles têm explorado o uso de algoritmos evolutivos para selecionar as melhores features. Um dos primeiros trabalhos que usaram esta abordagem foi realizado por Huang e Wang em [29]. O objetivo deste trabalho consistia em simultaneamente otimizar parâmetros do kernel do SVM e selecionar features, de forma a melhor o desempenho do SVM, sendo que para isso, foi apresentado uma abordagem baseado num algoritmo genético. Esta abordagem foi comparada com o tradicional método de otimização de parâmetros, o Grid Search, em vários conjuntos de dados de diversas áreas. Concluiu-se que a abordagem proposta baseada num GA melhora significativamente a accuracy da classificação do SVM, utilizando menos features de entrada.

Em [30] foi proposto um sistema composto por um GA e um SVM para transacionar em mercados Forex. O SVM foi usado para classificar o tipo de mercado e o GA para otimizar uma estratégia de

investimento baseada em indicadores técnicos. O objetivo era treinar três populações para os três tipos de mercado e usá-las de acordo com o tipo de mercado escolhido pelo SVM, obtendo assim vantagem por ter uma estratégia adequada ao tipo de mercado. Para além disso foi criada uma estratégia para definir a alavancagem adequada, consoante o nível de certeza da previsão. Num dos casos de estudo deste trabalho, a estratégia proposta foi comparada com a estratégia de Sell&Hold, desde 02/01/2015 a 02/03/2016, no par de moeda EUR/USD. Os resultados obtidos que o ROI media obtido pelo Sistema proposto foi de 43.9%, o melhor resultado o obtido pelo Sistema desenvolvido foi de 83.5, enquanto o Sell&Hold foi de 72.2%.

Concluindo, os GA’s e os SVM’s têm uma grande aplicabilidade no mundo financeiro, e como se pode constatar com os trabalhos referidos neste capítulo, estes podem ser utilizados de diversas formas. Os SVM’s podem, por exemplo, ser utilizados para prever a direção do mercado ou para classificar o mercado em três tipos diferentes para se adotar uma estratégia de acordo com esse período do mercado. Relativamente aos algoritmos genéticos, estes podem ser utilizadas para desempenhar variadíssimas funções, como otimização de períodos de indicadores técnicos, seleção de features ou até otimização de outros algoritmos, como por exemplo, através da otimizaçao dos hiperparametros do algoritmo genético.

Tabela 2.1: Resumo dos trabalhos mais relevantes do Estado de arte.

Referência Data de

publicação Métodos Mercados testados

Metricas de

avaliação Período da data Resultados

22 2015 ANN, SVM, RF, NB

Reliance Industries, Infosys Ltd., CNX Nifty e S&P500 BSE Sensex

Accuracy 2003 a 2012 90.19%

25 2005 LDA, QDA, EBNN e SVM NIKKEI 225 Index Accuracy Janeiro de 1990 a

Dezembro de 2002 75 %

26 2015 MOGA e indicador VIX NASDAQ, S&P 500, FTSE 100, DAX 30 e NIKKEI 225

Risk Exposure, ROI

Janeiro de 2004 a

Maio de 2014 8.06%

27 2014 SVM e PCA A-share index of Shanghai

Stock Exchange Accuracy Maio de 2019 a 2010 61.7925%

28 2011 GA Dow 30 ROI Janeiro 2003 a

Junho 2009 62.95% 29 2006 SVM-GA e SVM-Grid Search _______ AUC _______ AUC-GA : 0.8424 AUC-Grid Search : 0.7886 30 2018 SVM e GA EUR/USD ROI 2003-2016 83.5%

Capítulo 3

Arquitetura Proposta